要入暑假之前還信誓旦旦地覺得在暑假期間可以自學到些不一樣的東西,沒想到快到結束時還沒開始學習任何東西,頹廢真的是一種讓人害怕又上癮的症狀。
1. 監督式學習(Supervised Learning)
供給標記過的資料集,資料集扮演導師的腳色訓練機器。
* 分類 Classification
* 回歸 Regression
2. 非監督是學習(Unsupervised Learning)
不提供任何標記的資料集,透過資料分組至叢集來尋找模式和關聯。
* 聚類 Clustering
* 降維 Dimension Reduction
3. 強化式學習(Reinforcement Learning)
機器為了達成目標隨著環境變動,所的到的回饋是正向或負向,若離目標更近,就會給予獎勵,若離目標更遠,給逞罰。
* Model-free RL
* Model-based RL
1. 收集並準備資料
找到資料並幫忙標記『特徵』以利機器分類
2. 訓練模型
將收集好的資料進行『訓練組』與『測試組』,由訓練組進行模型訓練
3. 驗證模型
將訓練好的模型由測試組來測試結果與精確度
4. 解釋結果
檢視並得出結果的好壞
1. CNN (捲機神經網路)
擅於處理空間上連續的資料,例如影像辨識
2. RNN (循環神經網路)
適合處理有時間式列、語意結構的資料,例如分析PPT電影版的文章好評or負評
3. GAN (生成式對抗網路)
主要分成兩個網路構成,判別網路集生成網路,透過兩者互相對抗而產生更好的結果,例如網路產生仿真的人臉。
1. 類神經網路模型訓練
* 向前傳播:將資料輸入到神經網路中,資料會一層一層地向前傳遞。每一層的神經元會對接收到的資訊進行加權、計算,並通過活化函數來決定是否要將資訊傳給下一層。
* 計算損失:模型產生預測結果後,需要評估它的表現。我們會用一個損失函數來比較模型的預測結果與真實答案之間的差異。
* 反向傳播與優化:如果損失值太大,模型就需要進行調整。反向傳播會把損失值從輸出層往回傳,計算出每個神經元的權重和偏差值對損失的影響程度。
2. 模型推論階段
* 輸入新資料: 將從未見過的、需要預測的資料輸入到訓練好的模型中。
* 前向傳播: 資料會按照訓練時的方式,從輸入層開始,經過每一層神經元的運算,一直傳遞到輸出層。
* 產生結果: 模型會根據其固定的權重和偏差值,對輸入資料進行運算,直接輸出最終的預測結果。